CN118129728A - 一种货架下智能机器人的路线规划方法 - Google Patents
一种货架下智能机器人的路线规划方法 Download PDFInfo
- Publication number
- CN118129728A CN118129728A CN202410227101.6A CN202410227101A CN118129728A CN 118129728 A CN118129728 A CN 118129728A CN 202410227101 A CN202410227101 A CN 202410227101A CN 118129728 A CN118129728 A CN 118129728A
- Authority
- CN
- China
- Prior art keywords
- shelf
- center
- leg
- point cloud
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Warehouses Or Storage Devices (AREA)
Abstract
本发明涉及定位检测技术领域中的一种货架下智能机器人的路线规划方法,包括以下步骤:计算世界坐标系下的所有货架腿的中心估计位置;设定货架腿匹配检测的距离范围阈值,计算初始定位位置与所有货架腿的中心估计位置之间的匹配距离,并基于匹配距离与距离范围阈值确定所要匹配检测的目标货架腿;获取货架的激光点云数据,并进行聚类处理,得到聚类数据;拟合目标货架腿的中心实际位置;计算货架中心位置;获取智能机器人当前定位位置,基于当前定位位置、货架中心位置规划智能机器人的修正路线,解决了现有方法耗时耗力,需要安装维护额外装置的固有缺陷,能够依靠单线激光雷达识别出一条稳定性较高的规划路线。
Description
技术领域
本发明涉及定位检测技术领域,具体涉及一种货架下智能机器人的路线规划方法。
背景技术
智能移动机器人搬运调度的应用场景中,与托盘或货架的互动是十分重要的一环,由仓储物流管理系统发送出入库任务,经调度系统规划合适的路径并且在适当的时机发送移动指令,智能机器人通过自主或被动导航手段到达目标点位,通过举升或叉取动作获取货架。在这个过程中,智能机器人通过诸如二维码路标的识别、雷达即时定位与地图构建,结合本地的传感器融合,可以基本做到较高的定位精度。相比较之下,货架的取放涉及到与第三方系统的对接,无法做到自主系统闭环,因此货架的摆放精度是无法得到有效保证的。如何做到在智能机器人搬运过程中准确快速地取放货架,这其中涉及到一系列优化手段。
最简单有效的货架摆放检测方法依赖于人工巡检,在工位上标志出大致的轮廓,依靠手动调整货架使其位于轮廓正中的位置,适用于一些特殊的带轮货架;有些解决方案中,工位侧边缘带有外宽内窄的导向槽,在入库过程中,智能机器人放弃对货架转向的控制权,在导流槽的引导作用下货架摆放能够自动调整至满足精度要求。还有一些方案是在货架中心向下的位置贴上二维码,智能机器人安装有向上的识别装置,可以根据二维码的偏差值获取货架的偏移程度,并通过一些精度调整的手段进行校准。
然而上述方案中,导向槽引导方案,首先对工位有特殊的硬件要求;其次入口的冗余宽度只有几个厘米,对一些偏移很大的负载机器人来说,容易造成撞槽的事故;而且,负载货架与导流槽摩擦有可能导致驱动器压力过大而损坏搬运机器人;货架二维码校准方案,要求智能机器人具有上相机,也要求货架正下方可以贴二维码;另外,由于相机的视野限制,货架的偏移量往往也只有几个厘米的冗余。最后,智能机器人扫到货架码根据其调整位置时,需要一定的调节时间,基本在十秒以上。
发明内容
本发明针对现有技术中的缺点,提供了一种货架下智能机器人的路线规划方法,解决了现有方法耗时耗力,需要安装维护额外装置的固有缺陷,能够依靠单线激光雷达识别出一条稳定性较高的规划路线。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
一种货架下智能机器人的路线规划方法,包括以下步骤:
获取当前智能机器人在世界坐标系下的初始定位位置,并计算世界坐标系下的所有货架腿的中心估计位置;
设定货架腿匹配检测的距离范围阈值,计算所述初始定位位置与所有货架腿的中心估计位置之间的匹配距离,并基于所述匹配距离与距离范围阈值之间的关系确定所要匹配检测的目标货架腿;
获取货架的激光点云数据,并对所述激光点云数据进行聚类处理,得到与目标货架腿对应的聚类数据;
基于目标货架腿对应的聚类数据,拟合目标货架腿的中心实际位置;
基于所述目标货架腿的中心实际位置以及中心位置配置计算货架中心位置;
获取智能机器人当前定位位置,基于所述当前定位位置、货架中心位置规划智能机器人的修正路线。
可选的,计算货架腿的中心估计位置,包括以下步骤:
获取货架腿的中心位置配置,通过上层仓储管理系统获取货架在世界坐标系下的货架参数;
基于中心位置配置以及货架参数计算世界坐标系下的货架腿的中心估计位置,其中,计算货架腿的中心估计位置的公式如下:
其中,/>表示中心估计位置在世界坐标系下的x轴方向上的坐标值,/>表示中心估计位置在世界坐标系下的y轴方向上的坐标值;legXi表示中心位置配置在x轴方向上的坐标值,legYi表示中心位置配置在y轴方向上的坐标值;xpod和ypod分别表示货架在世界坐标系下的x轴和y轴方向上的坐标值,ψpod表示货架在世界坐标系下的摆放角度。
可选的,确定所要匹配检测的目标货架腿,包括以下步骤:
当至少两组货架腿的匹配距离落入距离范围阈值时,启动目标货架腿匹配检测;
将所有的匹配距离进行排序,并将匹配距离小的两条货架腿先作为目标货架腿进行第一优先级匹配,剩余两条货架腿作为第二优先级匹配的目标货架腿。
可选的,将第一优先级匹配的目标货架腿切换匹配为第二优先级匹配的目标货架腿时,包括以下步骤:
实时计算智能机器人的更新定位位置,并计算更新定位位置与第一优先级的目标货架腿中心连线的中点之间的更新距离,当更新距离为“0”时,切换为第二优先级的目标货架腿进行匹配。
可选的,对所述激光点云数据进行聚类处理,包括以下步骤:
遍历所有激光点云数据,并初步筛选出与目标货架腿对应的过滤点云数据;
计算过滤点云数据中各个点云与已存在的点云聚类中心位置的最小值距离,若所述最小距离大于与点云聚类最近的目标货架腿直径的1.5倍,则新建点云聚类,并将最小距离大于点云聚类最近的目标货架腿直径的1.5倍的点云作为新建点云聚类的第一个点;
将所有满足最小距离大于点云聚类最近的目标货架腿直径的1.5倍的点云合并入新建点云聚类,并重新计算聚类中心位置,得到若干新建点云聚类;
将若干新建点云聚类进行拖尾去除操作,得到与目标货架腿对应的聚类数据。
可选的,拟合目标货架腿的中心实际位置,包括以下步骤:
当货架腿为圆形货架腿时,获取聚类数据中每个点云的位置参数、目标货架腿的半径以及聚类数据的点云个数;
建立坐标系原点、目标货架腿的圆心以及当前点云之间的几何关系,并基于所述几何关系、当前点云的位置参数、目标货架腿的半径以及聚类数据的点云个数,计算中心实际位置。
可选的,拟合目标货架腿的中心实际位置,包括以下步骤:
当货架腿为矩形货架腿时,矩形货架腿的点云形成直角墙;
生成直角墙在雷达坐标系下的解析表达式,并通过最小二乘法拟合出最符合直角墙的角点;
基于所述角点计算中心实际位置。
可选的,其特征在于,还包括以下步骤:
将所述中心实际位置转换为世界坐标系下的位置坐标进行表达。
可选的,计算货架中心位置的公式如下:
其中,ψpod表示货架的相邻两条货架腿中心连线矢量的旋转角度;表示货架中心位置;/>表示其中一条目标货架腿的中心实际位置;/>表示另一条目标货架腿的中心实际位置;/>表示其中一条目标货架腿的中心位置配置;/>表示另一条目标货架腿的中心位置配置。
可选的,规划智能机器人的修正路线的路线表达式如下:
;其中,和ψagv分别表示当前智能机器人的位置和角度;ψagvToPod表示智能机器人从货架的某一侧进入而取值,/>L1和L2分别表示智能机器人规划路线Line1的长度以及Line2的长度,其中,L2是固定长度,等于货架半长和智能机器人半长之和,L1根据样条曲线的平滑度动态调整,当智能机器人距离货架很近时,L1=0;/>表示五阶(p=5)Beziel曲线,有六个控制点,起点P0是Line1的终点,终点P5是Line2的起点,中间点由三个条件确定,分别为:起点斜率为Line1的斜率,终点斜率为Line2的斜率;起点、终点曲率为“0”;Beziel曲线最大曲率最小。
采用本发明提供的技术方案,与现有技术相比,具有如下有益效果:
通过拟合出货架腿的中心实际位置,使得当货架出现位置偏移,系统无法记载的情况下,智能机器人能够准确进行路线规划,不会出现智能机器人撞击事件,同时能够适应多种智能搬运环境,节省人力资源和基础硬件设施,不需要配置和维护导流槽,也不需要配置和维护货架二维码,校正过程平滑、高效、省时。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本实施例提出的一种货架下智能机器人的路线规划方法的流程图;
图2为本实施例提出的激光点云数据和货架腿中心估计位置的比较图;
图3为本实施例提出的圆形货架腿的中心实际位置拟合过程的几何关系图;
图4为本实施例提出的矩形货架腿的中心实际位置拟合过程的几何关系图;
图5为本实施例提出的智能机器人识别偏移的四条货架腿进行路线规划的位置示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
如图1所示,一种货架下智能机器人的路线规划方法,包括以下步骤:获取当前智能机器人在世界坐标系下的初始定位位置,并计算世界坐标系下的所有货架腿的中心估计位置,其中,计算货架腿的中心估计位置,包括以下步骤:获取货架腿的中心位置配置,通过上层仓储管理系统获取货架在世界坐标系下的货架参数,包括货架位置坐标和货架摆放角度;基于中心位置配置以及货架参数计算世界坐标系下的货架腿的中心估计位置。
其中,计算货架腿的中心估计位置的公式如下:
其中,/>表示中心估计位置在世界坐标系下的x轴方向上的坐标值,/>表示中心估计位置在世界坐标系下的y轴方向上的坐标值,用/>表示货架腿中心估计位置;legXi表示中心位置配置在x轴方向上的坐标值,legYi表示中心位置配置在y轴方向上的坐标值,用 表示中心位置配置;xpod和ypod分别表示货架在世界坐标系下的x轴和y轴方向上的坐标值,ψpod表示货架在世界坐标系下的摆放角度,用(xpod,ypod,ψpod)表示货架参数。
获取到中心估计位置后,考虑到单线雷达的角度和距离识别范围,因此智能机器人需在雷达有效距离范围内才能进行目标货架腿匹配检测,因此确定有效范围的方法为:设定货架腿匹配检测的距离范围阈值,计算初始定位位置与所有货架腿的中心估计位置之间的匹配距离,当至少两组货架腿的匹配距离落入匹配检测距离范围阈值内时,才代表只能机器人进入了有效距离范围内,需进行目标货架腿的匹配。
接着,基于匹配距离与距离范围阈值之间的关系确定所要匹配检测的目标货架腿,具体地,包括以下步骤:当至少两组货架腿的匹配距离落入距离范围阈值时,启动目标货架腿匹配检测;将所有的匹配距离进行排序,并将匹配距离小的两条货架腿先作为目标货架腿进行第一优先级匹配,剩余两条货架腿作为第二优先级匹配的目标货架腿。
其中,将第一优先级匹配的目标货架腿切换匹配为第二优先级匹配的目标货架腿时,包括以下步骤:实时计算智能机器人的更新定位位置,并计算更新定位位置与第一优先级的目标货架腿中心连线的中点之间的更新距离,当更新距离为“0”时,切换为第二优先级的目标货架腿进行匹配。
确定第一优先级的目标货架腿和第二优先级的目标货架腿后,获取货架的激光点云数据,并对激光点云数据进行聚类处理,得到与目标货架腿对应的聚类数据。
其中,对激光点云数据进行聚类处理,包括以下步骤:遍历所有激光点云数据,并初步筛选出与目标货架腿对应的过滤点云数据;计算过滤点云数据中各个点云与已存在的点云聚类中心位置的最小值距离,若最小距离大于与点云聚类最近的目标货架腿直径的1.5倍,则新建点云聚类,并将最小距离大于点云聚类最近的目标货架腿直径的1.5倍的点云作为新建点云聚类的第一个点;将所有满足最小距离大于点云聚类最近的目标货架腿直径的1.5倍的点云合并入新建点云聚类,并重新计算聚类中心位置,得到若干新建点云聚类;将若干新建点云聚类进行拖尾去除操作,得到与目标货架腿对应的聚类数据。
更具体地,如图2所示,为得到目标货架腿和聚类的对应关系,方便进行拟合得到目标货架腿的真实位置,需进行聚类算法,具体步骤如下:
S11、将激光点云数据根据极坐标的辐角大小进行排序,一般来说原始数据已经排序完成,但对于多个雷达数据混合仍需做一次排序;
S12、遍历所有激光点云数据,计算当前点云与目标货架腿中心估计位置的距离,选取距离最小的货架腿,判断当前点与该货架腿的距离是否满足要求,只要距离小于所有货架腿之间的距离的最小值的0.4到1.0倍,即表示该点云完全对应此条目标货架腿,如不满足要求则过滤该点,并对所有点云进行相同操作,最终得到过滤点云数据;
S13、计算过滤点云数据中,当前点云与所有已经存在的点云聚类中心位置的距离的最小值,若此距离大于该聚类对应的最近的货架腿的直径的1.5倍,则代表当前点云不属于目标货架腿对应的正常聚类中的点,属于距离目标货架腿较远的点云,此时新创建一个点云聚类,将当前点作为该聚类的第一个点;
S14、并对过滤点云数据中的所有点进行步骤S3的判断操作,若距离满足要求,则将该点云合并入此聚类中,重新计算聚类的中心位置,并设定为新建点云聚类;
S15、依据以上步骤初步得到若干个点云聚类,之后根据相邻聚类中心位置的距离和点云序号的连续性进一步合并,根据同一聚类中范围的大小和分布的方差进一步分割,得到优化后的聚类;
S16、将若干新建点云聚类进行拖尾去除操作,得到与目标货架腿对应的聚类数据,具体地,由于实际的点云数据可能存在拖尾现象,因此采用边缘过滤的算法处理拖尾,首先根据雷达的角分辨率大小选取聚类点团中左边缘和右边缘5-8个初始点(因为点云数据已经根据极坐标的辐角大小进行排序,所以只需要按顺序取即可),并且计算它们的线性拟合优度g。逐一向中心位置加点并重新计算线性拟合优度g,当g减小超过0.1时,停止计算,并且过滤前面选取的点;
S17、在所有聚类中找到与目标货架腿位置和尺寸最接近的聚类建立对应关系。
然后,即可基于目标货架腿对应的聚类数据,拟合目标货架腿的中心实际位置,其中,由于货架腿的形状不同,其拟合方法也不同,当货架腿为圆形货架腿时,拟合目标货架腿的中心实际位置,包括以下步骤:获取聚类数据中每个点云的位置参数、目标货架腿的半径以及聚类数据的点云个数;建立坐标系原点、目标货架腿的圆心以及当前点云之间的几何关系,并基于几何关系、当前点云的位置参数、目标货架腿的半径以及聚类数据的点云个数,计算中心实际位置。
具体地,如图3所示,对于圆形货架,由于激光雷达只能照射到部分圆弧,根据对称性可以假设聚类数据中的点团关于雷达和腿中线的连线轴对称,若聚类数据的点云个数为n,目标货架腿的配置半径为r,则可以首先得到在雷达坐标系下目标货架腿腿中心位置的辐角βB。
在极坐标下,激光雷达每个点的数据表示为其中ρi是极坐标系下当前点与原点的距离,/>是极坐标系下当前点与原点连线和向右射线的夹角,目标货架腿的圆心位置B=(LB,βB),则根据圆的对称性,可得圆心角度βB的计算公式为:/>
而对于距离LB的计算,可按照图3中几何关系得到,具体如下,首先根据三角形BORSi的几何关系,将∠BORSi,用θi表示,且此时所建立的几何关系为:|ORB|i=|ORTi|+|BTi|,用三角函数展开表示为:/>然后对所有数据点Si都进行上述计算,并求取平均值即可得到距离LB,计算公式为:
然后根据目标货架腿的圆心位置B=(LB,βB),即中心实际位置,将其转为世界坐标系下的表述方式,其转化坐标系的步骤如下:
S21、首先将雷达极坐标系坐标转换为笛卡尔坐标系坐标(xB,yB),转化公式如下:
S22、将笛卡尔坐标系转换为机器人坐标系(x′B,y′B),转换公式如下:
其中(xLaser,yLaser,θLaser)为雷达的安装位姿;
S23、将机器人坐标系转换为世界坐标系转换公式如下:
其中,(xagv,yagv,θagv)为机器人在世界坐标系下的位姿。
另一方面,当货架腿为矩形货架腿时,拟合目标货架腿的中心实际位置,包括以下步骤:矩形货架腿的点云形成直角墙;生成直角墙在雷达坐标系下的解析表达式,并通过最小二乘法拟合出最符合直角墙的角点;基于角点计算中心实际位置。
具体地,如图4所示,拟合矩形货架腿的中心位置时,同样不得不考虑到激光雷达的视野问题,在点云图中,矩形货架腿应该是类似直角墙的形状,如果能够拟合直角墙的角点,矩形货架腿的中心位置即可根据货架腿的配置得到,具体过程如下。
首先,直角墙在雷达坐标系下的解析表达式为:
其中,(x*,y*)为角点A在雷达坐标系下的笛卡尔坐标,直线left是斜率角为θ,且经过角点A的直线,直线right是斜率角为θ+90°,且经过角点A的直线,θ是其中一条边left的斜率角。
将激光数据点集,按照角度值大小排序:
假定数据点集可以根据极角分成两组,第一组/>第二组/>以序号k为分界分别拟合出左left、右right两条直线。
然后根据最小二乘法拟合出最符合直角墙的(x*,y*,θ,k),假定k已经给定,目标函数f取所有点云到直角墙的最短距离的平方和:
接着,由于第一组点与直角墙的最短距离就是与left直线的距离,第二组点与直角墙的最短距离是与right直线的距离,要保证f取得极小值,则对x*,y*,θ的偏导数都是0,得到如下三个偏导数方程:
其中,
C1=Sxxl-Sxxr-Syyl+Syyr,这些参数分别是左右两组点云坐标的统计一阶矩和二阶矩。
以上方程组无法直接解析的求得给定k的最优x*,y*,θ,但可以用数值方法求解。
数值方法第一步:
根据三个偏导数方程中的前两个偏导数方程变形可以得到:
然后令:
h0(θ)=(sin2θk+cos2θ(n-k));
h1(θ)=sinθcosθ(n-2k);
hx(θ)=sin2θSxl+cos2θSxr+sinθcosθ(Syr-Syl);
hy(θ)=cos2θSyl+sin2θSyr+sinθcosθ(Sxr-Sxl);
从而得到x*,y*关于θ的表达式,并求解:
数值法第二步:将第一步的结果代入三个偏导数方程中的最后一个偏导数方程,可以得到方程关于θ的方程式:
然后根据数值求根方法二分法,得到左直角墙left在雷达坐标系下的角度值θ,那么(x*,y*)也能求出来。
需要说明的是,二分法求解函数的零点的策略指的是,在求解区间内找出函数值异号的两个自变量,得到一个初始区间。每一步,取区间中点求它的函数值,该函数值肯定与区间下限的函数值或上限的函数值二者中的一个异号。选取中点和异号的边界组成新的区间,重复上述步骤。最终当区间长度达到精度要求时,返回该区间的中心位置即为所求的零点。
数值方法第三步:以上只是给定k的情况下求解最优的x*,y*,θ,但实际上k的选取仍然需要进行优化,此时可以遍历所有合理的k求出minf,一般来说k的取值范围在[0.25n,0.75n],此时得到的x*、y*、θ、k就是雷达坐标下的直角墙顶点位置和左墙的角度,那么矩形货架腿的中心位置,即中心实际位置就能进一步得到,所计算中心实际位置的公式如下:
其中,l、w分别为矩形货架腿的长和宽。
同样的,在得到矩形货架腿的中心实际位置后,也需要将其转换为世界坐标系表达,转化过程如下:
S31、将笛卡尔坐标系转换为机器人坐标系(x′B,y′B),转换公式如下:
其中(xLaser,yLaser,θLaser)为雷达的安装位姿;
S32、将机器人坐标系转换为世界坐标系转换公式如下:
其中,(xagv,yagv,θagv)为机器人在世界坐标系下的位姿。
得到目标货架腿的中心实际位置后,为计算货架中心位置,此时货架腿i的中心位置配置为(legXi,legYi),两条目标货架腿对应的序号为l,r,相应的,为区别两条货架腿的中心实际位置,根据上述方法,将单线雷达的点云拟合出来的中心实际位置分别表示为/>(realXl,realYl)和/>(realXr,realYr),其中,那么货架的实际方向可以简单理解为两腿中心连线矢量的旋转角度,此时计算货架中心位置的求解公式如下:
其中,ψpod表示货架的相邻两条货架腿中心连线矢量的旋转角度;表示货架中心位置;/>表示其中一条目标货架腿的中心实际位置;/>表示另一条目标货架腿的中心实际位置;/>表示其中一条目标货架腿的中心位置配置;/>表示另一条目标货架腿的中心位置配置。
计算得到货架中心位置后,如图5所示,获取智能机器人当前定位位置,基于当前定位位置、货架中心位置规划智能机器人的修正路线,修正路线由两条直线和与其相衔接的样条曲线组成,样条曲线的优势在于可以定制起点和终点的曲率为0,使其与直线衔接时保持曲率平滑,直线Line2保证智能机器人从货架腿中轴线进入货架,如果直接用样条曲线连接终点可能会导致避障报警。
其中,规划智能机器人的修正路线的路线表达式如下:
其中,/>和ψagv分别表示当前智能机器人的位置和角度;ψagvToPod表示智能机器人从货架的某一侧进入而取值,/>L1和L2分别表示智能机器人规划路线Line1的长度以及Line2的长度,其中,L2是固定长度,等于货架半长和智能机器人半长之和,L1根据样条曲线的平滑度动态调整,当智能机器人距离货架很近时,L1=0;/>表示五阶(p=5)Beziel曲线,有六个控制点,起点P0是Line1的终点,终点P5是Line2的起点,中间点由三个条件确定,分别为:起点斜率为Line1的斜率,终点斜率为Line2的斜率;起点、终点曲率为“0”;Beziel曲线最大曲率最小。
至此,完成路线规划,使得只能机器人,能够在不需要辅助导流槽等硬件设施下实现只能搬运,也不需要配置和维护货架二维码。
以上所述,仅为本发明的较佳实施例,并非对本发明任何形式上和实质上的限制,应当指出,对于本技术领域的普通技术人员,在不脱离本发明方法的前提下,还将可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员,在不脱离本发明的精神和范围的情况下,当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变,均仍属于本发明的技术方案的范围内。
Claims (10)
1.一种货架下智能机器人的路线规划方法,其特征在于,包括以下步骤:
获取当前智能机器人在世界坐标系下的初始定位位置,并计算世界坐标系下的所有货架腿的中心估计位置;
设定货架腿匹配检测的距离范围阈值,计算所述初始定位位置与所有货架腿的中心估计位置之间的匹配距离,并基于所述匹配距离与距离范围阈值之间的关系确定所要匹配检测的目标货架腿;
获取货架的激光点云数据,并对所述激光点云数据进行聚类处理,得到与目标货架腿对应的聚类数据;
基于目标货架腿对应的聚类数据,拟合目标货架腿的中心实际位置;
基于所述目标货架腿的中心实际位置以及中心位置配置计算货架中心位置;
获取智能机器人当前定位位置,基于所述当前定位位置、货架中心位置规划智能机器人的修正路线。
2.根据权利要求1所述的一种货架下智能机器人的路线规划方法,其特征在于,计算货架腿的中心估计位置,包括以下步骤:
获取货架腿的中心位置配置,通过上层仓储管理系统获取货架在世界坐标系下的货架参数;
基于中心位置配置以及货架参数计算世界坐标系下的货架腿的中心估计位置,其中,计算货架腿的中心估计位置的公式如下:
其中,/>表示中心估计位置在世界坐标系下的x轴方向上的坐标值,legYi w表示中心估计位置在世界坐标系下的y轴方向上的坐标值;legXi表示中心位置配置在x轴方向上的坐标值,legYi表示中心位置配置在y轴方向上的坐标值;xpod和ypod分别表示货架在世界坐标系下的x轴和y轴方向上的坐标值,ψpod表示货架在世界坐标系下的摆放角度。
3.根据权利要求1所述的一种货架下智能机器人的路线规划方法,其特征在于,确定所要匹配检测的目标货架腿,包括以下步骤:
当至少两组货架腿的匹配距离落入距离范围阈值时,启动目标货架腿匹配检测;
将所有的匹配距离进行排序,并将匹配距离小的两条货架腿先作为目标货架腿进行第一优先级匹配,剩余两条货架腿作为第二优先级匹配的目标货架腿。
4.根据权利要求3所述的一种货架下智能机器人的路线规划方法,其特征在于,将第一优先级匹配的目标货架腿切换匹配为第二优先级匹配的目标货架腿时,包括以下步骤:
实时计算智能机器人的更新定位位置,并计算更新定位位置与第一优先级的目标货架腿中心连线的中点之间的更新距离,当更新距离为“0”时,切换为第二优先级的目标货架腿进行匹配。
5.根据权利要求1所述的一种货架下智能机器人的路线规划方法,其特征在于,对所述激光点云数据进行聚类处理,包括以下步骤:
遍历所有激光点云数据,并初步筛选出与目标货架腿对应的过滤点云数据;
计算过滤点云数据中各个点云与已存在的点云聚类中心位置的最小值距离,若所述最小距离大于与点云聚类最近的目标货架腿直径的1.5倍,则新建点云聚类,并将最小距离大于点云聚类最近的目标货架腿直径的1.5倍的点云作为新建点云聚类的第一个点;
将所有满足最小距离大于点云聚类最近的目标货架腿直径的1.5倍的点云合并入新建点云聚类,并重新计算聚类中心位置,得到若干新建点云聚类;
将若干新建点云聚类进行拖尾去除操作,得到与目标货架腿对应的聚类数据。
6.根据权利要求1所述的一种货架下智能机器人的路线规划方法,其特征在于,拟合目标货架腿的中心实际位置,包括以下步骤:
当货架腿为圆形货架腿时,获取聚类数据中每个点云的位置参数、目标货架腿的半径以及聚类数据的点云个数;
建立坐标系原点、目标货架腿的圆心以及当前点云之间的几何关系,并基于所述几何关系、当前点云的位置参数、目标货架腿的半径以及聚类数据的点云个数,计算中心实际位置。
7.根据权利要求1所述的一种货架下智能机器人的路线规划方法,其特征在于,拟合目标货架腿的中心实际位置,包括以下步骤:
当货架腿为矩形货架腿时,矩形货架腿的点云形成直角墙;
生成直角墙在雷达坐标系下的解析表达式,并通过最小二乘法拟合出最符合直角墙的角点;
基于所述角点计算中心实际位置。
8.根据权利要求6或7任意一项所述的一种货架下智能机器人的路线规划方法,其特征在于,还包括以下步骤:
将所述中心实际位置转换为世界坐标系下的位置坐标进行表达。
9.根据权利要求1所述的一种货架下智能机器人的路线规划方法,其特征在于,计算货架中心位置的公式如下:
其中,ψpod表示货架的相邻两条货架腿中心连线矢量的旋转角度;表示货架中心位置;/>表示其中一条目标货架腿的中心实际位置;/>表示另一条目标货架腿的中心实际位置;/>表示其中一条目标货架腿的中心位置配置;/>表示另一条目标货架腿的中心位置配置。
10.根据权利要求9所述的一种货架下智能机器人的路线规划方法,其特征在于,规划智能机器人的修正路线的路线表达式如下:
;
其中,和ψagv分别表示当前智能机器人的位置和角度;ψagvTopod表示智能机器人从货架的某一侧进入而取值,/>L1和L2分别表示智能机器人规划路线Line1的长度以及Line2的长度,其中,L2是固定长度,等于货架半长和智能机器人半长之和,L1根据样条曲线的平滑度动态调整,当智能机器人距离货架很近时,L1=0;表示五阶(p=5)Beziel曲线,有六个控制点,起点P0是Line1的终点,终点P5是Line2的起点,中间点由三个条件确定,分别为:起点斜率为Line1的斜率,终点斜率为Line2的斜率;起点、终点曲率为“0”;Beziel曲线最大曲率最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410227101.6A CN118129728A (zh) | 2024-02-29 | 2024-02-29 | 一种货架下智能机器人的路线规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410227101.6A CN118129728A (zh) | 2024-02-29 | 2024-02-29 | 一种货架下智能机器人的路线规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118129728A true CN118129728A (zh) | 2024-06-04 |
Family
ID=91237157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410227101.6A Pending CN118129728A (zh) | 2024-02-29 | 2024-02-29 | 一种货架下智能机器人的路线规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118129728A (zh) |
-
2024
- 2024-02-29 CN CN202410227101.6A patent/CN118129728A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107272710B (zh) | 一种基于视觉定位的医用物流机器人系统及其控制方法 | |
CN107923754B (zh) | 用于导航路径补偿的设备和方法 | |
US9046893B2 (en) | Deep lane navigation system for automatic guided vehicles | |
CN103268119A (zh) | 无人搬运车导航控制系统及其导航控制方法 | |
CN112149555A (zh) | 一种基于全局视觉的多仓储agv追踪方法 | |
CN110889871B (zh) | 机器人行驶方法、装置及机器人 | |
CN107390679A (zh) | 存储设备、激光导航叉车 | |
CN113253737B (zh) | 货架检测方法及装置、电子设备、存储介质 | |
CN112935703B (zh) | 识别动态托盘终端的移动机器人位姿校正方法及系统 | |
CN109571408B (zh) | 一种机器人、库存容器的角度校准方法及存储介质 | |
WO2023005384A1 (zh) | 可移动设备的重定位方法及装置 | |
Reinke et al. | Strategies for contour-based self-localization in large-scale modern warehouses | |
CN114089735A (zh) | 可移动机器人调整货架位姿的方法和装置 | |
JP2020091837A (ja) | 移動ロボットの位置決め方法、ナビゲーション方法及びグリッドマップの作成方法 | |
Behrje et al. | An autonomous forklift with 3d time-of-flight camera-based localization and navigation | |
CN114862301A (zh) | 基于二维码辅助定位的托盘叉车agv自动装载方法 | |
CN116443527B (zh) | 基于激光雷达的托盘叉取方法、装置、设备和介质 | |
CN118129728A (zh) | 一种货架下智能机器人的路线规划方法 | |
US20180253678A1 (en) | Inventory item management system, transporting device and the method for docking with inventory holder | |
CN114675658B (zh) | 一种空货架的自动回收方法、系统、设备以及介质 | |
Jung et al. | Graph SLAM for AGV using geometrical arrangement based on lamp and SURF features in a factory environment | |
CN115586552A (zh) | 一种港口轮胎吊或桥吊下无人集卡精确二次定位方法 | |
CN112330748B (zh) | 一种基于双目深度相机的托盘识别和定位方法 | |
Atali et al. | Path planning of mobile robots based on qr code | |
CN113706610A (zh) | 基于rgb-d相机的栈板位姿计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |